.png){kind=icon}
返回
A Large-Scale Expensive Optimization Algorithm With a Multiview Synthetic Sampling
.png){kind=icon}
PRE
AI
DOI：10.1109/TEVC.2025.3571929.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多现实世界的问题涉及优化大量决策变量且评估成本高昂，被称为大规模昂贵优化问题（LSEOPs）。尽管代理模型辅助的进化算法已被证明对昂贵问题有效，但由于训练数据不足，为LSEOPs训练合适的模型仍然具有挑战性。在本文中，我们采用分治策略，将LSEOPs分解为低维子问题并为子问题构建模型，并引入一种多视图合成采样技术用于新样本选择。具体而言，我们提出对所有已评估的解按升序排序并将其划分为区间，从这些区间中采样数据以获取对模型具有信息量的训练数据。通过在由所有子问题更新后重组形成的种群上采用协同环境选择来更新LSEOP的种群，以平衡探索与开发。最后，基于在所有子问题中预测的多视图性能，从当前种群中选择一个解进行真实评估。在CEC’2013基准问题上的结果表明，与三种主流的大规模昂贵优化算法相比，我们提出的方法在有效性和效率上具有优势。此外，在2000-D CEC’2010基准问题和1200-D真实世界问题上的结果展示了该方法在处理更高维问题时的良好可扩展性和鲁棒性。
Keyword:
Divide-and-conquer strategy
infill sampling
large-scale expensive optimization
radial basis function (RBF)
surrogate models
期刊
IF:
12
论文数:
1.9K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容